محدودیت های یادگیری ماشین

یادگیری ماشین بدون محدودیت نیست. الگوریتم ها در توانایی تعمیم بر روی دسته‌های بزرگی از الگو ها تفاوت دارند و الگویی که تا کنون توسط هیچ الگوریتمی دیده نشده است ممکن است متفاوت عمل کند. در صورتی که انسانها دانایی وسیعی از تربیت و تجربه دارند تا بر طبق آن عمل کنند. همچنین قابلیت قابل توجهی برای تشخیص شرایط مشابه در هنگام تصمیم گیری درباره اطلاعات جدید دارند.
شیوه‌های یادگیری ماشین تنها می توانند به تعمیم آنچه تا کنون دیده اند بپردازند. حتی در این حالت نیز محدودیت های بسیاری دارند.
شیوه فیلتر کردن یک هرزنامه که شما در این کتاب خواهید دید بر اساس ظاهر کلمات یا اصطلاحات بدون توجه به معنی آنها در جمله و ساختار جمله کار می کند.
اگرچه در تئوری امکان ساخت الگوریتمی که بتواند گرامر‌ها را در نوشته تشخیص دهد وجود دارد، اما به ندرت اتفاق می افتد که در عمل شاهد آن باشیم. دلیل آن این است که تلاش بسیاری برای بهبود الگوریتم در توانایی تجزیه تحلیل داده های زیاد و مقایسه آن لازم است. فهم معنی کلمات و رابطه آنها به زندگی فرد، بسیار بیشتر از اطلاعاتی است که سیستم فیلتر هرزنامه در اختیار دارد و بتواند آنها را تجسم کند.
به علاوه، اگرچه گرایش هر کدام از آنها به نحوه انجام متفاوت است، اما همه متد های یادگیری ماشین از امکان وقوع تعمیم افراطی رنج می برند. در بیشتر چیزها در زندگی، عمومیت کلی بر اساس یک تعداد مثال کم، کمتر صحیح هستند. یک اتفاق معمول که ممکن است اتفاق بیفتد این است که شما یک ایمیل خیلی مهم از یک دوست که حاوی کلمات "داروخانه آنلاین" باشد دریافت کنید. در این مورد شما باید بتوانید به الگوریتم بگویید که این ایمیل هرزنامه نیست و ممکن است الگوریتم استباط کند که آن ایمیل از آن دوست قابل قبول است. طبیعت اکثر الگوریتم های یادگیری ماشین این است که آنها می توانند با اطلاعات جدید بیشتر یاد بگیرند.